时间序列创新.pptVIP

* * 一、时序分析的应用 二、时间序列的概率特性 三、平稳时间序列 四、时间序列的运算 一般来说, 采用参数模型（特别是ARMA模型），对所观测到的有序的随机数据进行处理和分析的一种数据处理的统计方法，称为时间序列分析，亦称时间序列方法，或时序分析，或时序方法。 时间序列方法 常见的时间序列模型有 研究、分析和处理时间序列，就是为了从中提取有关的信息，揭示时间序列本身的结构与规律，从而认识产生时间序列系统的固有特性，掌握系统与外界的联系规律，从系统的过去值去预测其将来值。 4、非平稳ARIMA模型。 3、季节性模型； 2、滑动平均（Moving Average）模型； 1、自回归（Autoregressive）模型； 1. 预报分析 一、时序分析的应用 时间序列分析的目的可以概括为四个方面:描述,推断,预报与控制.故究其应用方面可分为以下四部分内容: 根据对某个变化量的一般观测数据，建立统计预测模型，从而预报该量在未来时刻的取值问题，此即为时间序列的预报问题。 例如,根据历史数据与动态模型作出预报: 预报明日、下周某支股票股价; 预报上海、深圳股价； 预报下年水产品总产量; 预报下一时段化工生产的浓度读数; 预报下日的日平均气温; 预报下月臭氧每小时读数月平均值。 2. 控制分析 根据若干量的观测结果的分析，建立适当的统计控制模型，寻求对某些量进行优化控制，属于控制分析内容，或最佳控制设计内容。 例如，由记录的过去若干小时用电负荷量数据，可以分析得出供电系统和发电系统的某种最优控制方法。 又如下图给出一个与动态系统有关的输入和输出时间序列： 可以寻求某种控制方法，使输出函数近似为正弦函数。 动态系统 输入 (空气供应速度) 输出 (CO2浓度) 3. 诊断分析 根据两个时间序列的记录值，建立统计模型，分析判断它们是否具有相同属性；或根据一个时间序列的记录值，分析判断它是否具有某些指定的属性，谓之诊断分析，亦称为识别诊断。 例如：分析地下水位的变化量，为了预报地震的发生情况，则需从地下水位时间序列数据中分析，是否存在异常现象，是否处于正常状态。 又如: 了解人的两次脉博之间时间间隔的时间序列数据，是为了诊断该人员心跳是否正常或异常，对身体有无损害。 4. 频谱分析 对时间序列的周期谐波分量，或频率特性进行统计分析，称之频谱分析。 例如，某机械的振动中会有周期分量，就需要对其进行频谱分析。 在实际应用中，涉及一个时间序列的统计分析，称之一元时间序列分析，涉及各个时间序列的联合统计分析，则谓之多元时间序列分析。 二、时间序列的概率特性 时间序列是一列依时间顺序记录下的随机数据，x1,x2,…，实际上可视为一列随机变量X(t1),X(t2),…的一个观测值，即{X(t),t∈T}为一随机过程，T为时间集，若t取值为T={0,±1, ±2，…}则{X(t),t= 0,±1, ±2，…} 即为随机时间序列。 对一个连续时间的随机过程,若进行等间隔的观察采样,这样获得的数据序列，即为一个随机序列。 因此，时间序列分析的任务实际上是对上述一部分特殊随机序列进行统计分析，对平稳随机序列的统计分析是时间序列分析的主要内容。 1. 时间序列的有限维分布族 设一个时间序列为{X(t),t∈T} ， T={0,±1, ±2，…},由随机过程理论知识，一个随机过程的概率特性由其有限维分布函数族唯一决定： 2. 时间序列的数字特征 （1）均值函数 设{X(t),t∈T={0,±1, ±2，…}}为一个时间序列 （2）均方值函数 （3）自相关函数 （4）自协方差函数 （5）方差函数 在时间序列中,其数字特征一如随机过程的数字特征,亦可分别按随机变量为离散型与连续型分别计算。 在时间序列分析理论中,平稳线性序列是研究的主体内容,因此下面介绍平稳线性序列的概念。 三、平稳时间序列 在随机过程论中，定义了宽平稳与严稳两种平稳过程。对于随机序列，相应的有两种平稳的时间序列： 1. 严平稳时间序列 定义1.1 设{X(t),t=0,±1, ±2，…}为时间序列，若对于任意正整数n和n个整数t1,t2,…,tn, s，随机变量 的联合分布函数与s无关，即 易见，严平稳序列的分布特性随时间的平移而保持不变。 例2.1 由定义可知,独立同分布时间序列是一种最简单的严平稳时间序列。 严平稳序列具有以下性质: i) 一维分布函数与时间t无关，即 因此严平稳序列的均值函数为常数。 ii) 二维分布函数只与时间间隔有关，只与时间起点无关，即对任意 因